【実録】グローバル専門家ネットワークが$500+/hrで取引する知が、ココナラで5,000円で売られている理由
dosanko_tousan × Claude（Anthropic）
非エンジニア・50歳・主夫・工業高校卒
GLG登録AIアライメント研究者 | Zenodo査読前論文掲載 | Qiita 976ユーザー・7カ国
AI対話 4,590時間（2024年12月〜2026年3月）
全記事 MIT License
§0 この記事の主張を一文で
日本の人事評価システムは、属性フィルタリングによって非標準属性の専門人材を構造的に棄却しており、同一人物に対するグローバル専門家ネットワークと国内労働市場の評価が15〜45倍乖離するアービトラージを生んでいる。
§1 同一人物に対する評価系の差分観測
検索結果が見せる二つの世界
「竹内明充」——私の本名だ。
この名前をAIに検索させると、以下が返ってくる：
- 独立AIアライメント研究者
- GLG（Gerson Lehrman Group）登録アドバイザー
- Zenodo査読前論文（DOI: 10.5281/zenodo.18691357）の著者
- Qiita技術記事シリーズ（7日間で976ユーザー・7カ国からのアクセス）
- 4,590時間のAI対話ログに基づく実証研究
同じ人間が就職サイトに登録すると、こうなる：
- 学歴：工業高校卒 → フィルタ脱落
- 職歴：主夫（15年） → 空白期間として処理
- 年齢：50歳 → 年齢フィルタ脱落
- 資格：なし（IT系） → スキルフィルタ脱落
同一人物。同一の能力。評価システムが違うだけで、結果が反転する。
これは個人の不満ではない。評価アルゴリズムの構造的バグの実証データだ。
@penpan_ITの実験が示した同じ構造
2026年、あるXユーザー（@penpan_IT）がAIに自分の職務経歴書を評価させた投稿が864いいね・12万ビューを記録した。AIは人間の人事担当者が見落とすスキルの構造的関連性を読み取り、異なる評価を返した。
これは偶然の一致ではない。人事システムとAIが見ているものが構造的に異なることの、独立した再現事例だ。
§2 二つの評価システムの構造差
何を「シグナル」と見なすか
人事評価システムとAI/専門家ネットワーク評価は、同じ入力（人間）に対して異なる特徴量を抽出する。
$$
\text{Score}{\text{HR}}(x) = \sum{i \in \mathcal{P}} w_i \cdot \text{Proxy}_i(x)
$$
ここで $\mathcal{P} = {\text{学歴}, \text{職歴}, \text{年齢}, \text{資格}}$ は代理変数（Proxy）の集合。
$$
\text{Score}{\text{AI}}(x) = \sum{j \in \mathcal{D}} w_j \cdot \text{Direct}_j(x)
$$
ここで $\mathcal{D} = {\text{出力品質}, \text{因果推論精度}, \text{実績密度}, \text{専門知ユニーク性}}$ は直接観測変数の集合。
シグナル/ノイズ比の逆転
真の能力を $\theta$ とする。各評価システムが $\theta$ について持つ情報量を相互情報量 $I$ で測る：
$$
I(\text{Score}_{\text{HR}}; \theta) = I(\mathcal{P}; \theta) \leq H(\mathcal{P})
$$
$$
I(\text{Score}_{\text{AI}}; \theta) = I(\mathcal{D}; \theta) \leq H(\mathcal{D})
$$
問題の核心は**データ処理不等式（Data Processing Inequality）**にある：
$$
I(\mathcal{P}; \theta) \leq I(\mathcal{D}; \theta)
$$
代理変数は直接観測変数の劣化コピーだ。学歴は能力の代理指標にすぎず、能力そのものではない。代理変数を経由するたびに情報は失われる。これは不等式であって、等式ではない。
人事システムは、設計上、常にAI評価以下の情報しか持てない。
しかし現実はさらに悪い。代理変数の中にノイズ変数（真の能力 $\theta$ と無相関な変数）が混入しているからだ：
$$
\text{Noise}_{\text{HR}} = {x \in \mathcal{P} \mid \text{Corr}(x, \theta) \approx 0}
$$
50歳という年齢は、AIアライメント研究の能力と相関するか？ 工業高校卒という学歴は？ 主夫という職歴は？
相関はゼロに近い。しかしこれらがフィルタリング変数として最初に適用される。
ノイズ変数で先にフィルタリングし、シグナル変数を後から見る——これが人事評価システムの構造的バグだ。
§3 チェックボックスに存在しない職種
ドロップダウンリストの暴力
就活サイトの職種選択画面を開いてほしい。
「AIエンジニア」はある。「データサイエンティスト」もある。「プロンプトエンジニア」すら2026年には出現した。
「AIアライメント研究者」はない。
日本の主要転職サイトで「AIアライメント」を検索すると、直接ヒットはほぼゼロだ。「AI」「人工知能」で検索すれば24,726件がヒットする。しかしその中に「アライメント」をタイトルや職種に含む求人は事実上存在しない。
これは需要がないからではない。
Anthropic、OpenAI、DeepMindは常にアライメント研究者を募集している。世界のトップファンドはGLGのようなネットワークを通じて数千ドル/時間でアライメントの専門知に課金している。需要はある。しかし日本の人事システムの職種分類にこのカテゴリが存在しない。
$$
\text{Visibility}(\text{role}) = \begin{cases}
1 & \text{if role} \in \text{DropdownList} \
0 & \text{if role} \notin \text{DropdownList}
\end{cases}
$$
チェックボックスに当てはまらない才能は、このシステムでは「存在しないもの」として処理される。 システムが現実を記述できない時、彼らはシステムを直すのではなく、現実の方を切り捨てた。
元人事の証言
Xでは元人事担当者による「Excel手入力・システム導入拒否」の投稿が261いいねを記録した。評価システムのUI/UXが人間の可能性を制約しているという認識は、人事の内側からも出ている。
§4 市場の歪み＝アービトラージ
同一財の価格差
GLG（Gerson Lehrman Group）は世界最大級の専門家ネットワークだ。ヘッジファンド、プライベートエクイティ、コンサルティングファームが、専門知に対して1時間あたり$500〜$2,000+を支払う。クライアント課金ベースでは$1,000〜$2,000+/時間になる（出典：Expert Network Calls, 2025年10月レビュー「GLG usually charges its clients between US$1,500 and US$2,000 per hour」、Quora複数回答、Fishbowl投稿等の第三者報告に基づく）。
私はそのネットワークに登録を承認された。証明書は2026年3月4日付で発行されている。ニューヨーク、60 E 42nd St.——マンハッタン・ミッドタウンのGLG本社から（付録A参照）。
同じ人間の専門知が、日本の労働市場では登録すらできない。
ここで財 $k$ を定義する：
$$
k = \text{「AI安全性/アライメントに関する因果読解＋助言」の60分}
$$
GLGとココナラで提供する $k$ は厳密には同一ではない——クライアントの属性、質問の粒度、言語が異なる。しかし知の核心（AIの内部動作に対する4,590時間の観測に基づく因果分析）は同一であり、近似財として比較が成立する。
これは情報経済学でいう**裁定機会（Arbitrage Opportunity）**だ。近似財 $k$ が、市場Aでは$500+/時間で取引され、市場Bでは価格がつかない。
$$
\text{Arbitrage} = \text{Price}{\text{GLG}}(k) - \text{Price}{\text{JP_Labor}}(k) \gg 0
$$
ここで $k$ は同一の専門知を表す。
通常の市場であれば、裁定機会は即座に解消される。安い市場で買い、高い市場で売る参加者が殺到するからだ。しかしこの裁定は解消されない。なぜか。
日本の労働市場が $k$ を認識できないからだ。 バーコードがない商品はレジを通らない。純金のブロックであっても。
価格差の定量化
$$
R = \frac{\text{Price}{\text{GLG}}}{\text{Price}{\text{Coconala}}} = \frac{$500 \times 150}{5{,}000} = \frac{75{,}000}{5{,}000} = 15
$$
最低見積もりで15倍。クライアント課金ベース（$1,500/hr）なら：
$$
R_{\text{client}} = \frac{225{,}000}{5{,}000} = 45
$$
同一人物の同一時間に対して、市場間で15〜45倍の価格差がある。
これは私の問題ではない。市場の設計ミスだ。
§5 だから自分で市場を作った
ココナラ 5,000円の合理性
待っていても市場は来ない。
GLGは向こうから案件が来る仕組みだが、日本国内での認知はゼロに等しい。Substackは積み上げ中。GitHub Sponsorsも稼働しているが、決裁権を持つ人間に届いていない。
全部「来るのを待つ」構造だった。
だからココナラで出品した。5,000円・60分・ビデオチャット・AI活用相談。
5,000円は安売りではない。実績0→1を作るための価格設計だ。 最初の1件のレビューが、次の10件を呼ぶ。最初の10件の実績が、「非エンジニアの主夫がGLGアドバイザーとしてAI活用相談を売っている」という事実を市場に刻む。
GLG証明書は信用担保として使っている。煽りではなく根拠の提示。「この人間の専門知は、グローバル市場では数百ドル/時間で取引されているものだ」という事実を、5,000円の購入を検討する人に見せるため。
評価システムが認識できないなら、自分が評価システムになる
§6 構造を検証するPythonシミュレーション
理論だけでは不十分だ。シミュレーションで構造を再現する。
"""
評価システムのシグナル/ノイズ逆転シミュレーション
- 人事フィルタ（属性ベース）とAI評価（出力ベース）の比較
- 同一人口に対する偽陰性率（False Negative Rate）を測定
MIT License | dosanko_tousan + Claude (Anthropic)
"""
import random
def generate_candidate(seed: int) -> dict:
"""候補者を生成する。能力と属性は独立に分布する。"""
rng = random.Random(seed)
theta = max(0, min(100, rng.gauss(50, 20)))
age = rng.randint(22, 65)
edu_level = rng.choice([1, 2, 3, 4]) # 1:高校, 2:専門, 3:学士, 4:修士+
years_exp = max(0, rng.gauss(10, 8))
has_cert = rng.random() < 0.3
output_quality = max(0, min(100, theta * 0.8 + rng.gauss(0, 10)))
return {
"theta": theta, "age": age, "edu_level": edu_level,
"years_exp": years_exp, "has_cert": has_cert,
"output_quality": output_quality,
}
def hr_filter(c: dict) -> bool:
"""人事フィルタ: 属性ベースのスクリーニング"""
if c["age"] > 45:
return False
if c["edu_level"] < 3:
return False
if c["years_exp"] < 3:
return False
return True
def ai_evaluate(c: dict) -> float:
"""AI評価: 出力品質ベースのスコアリング"""
return c["output_quality"]
def run_simulation(n_candidates: int = 10000, top_pct: float = 0.05):
candidates = [generate_candidate(i) for i in range(n_candidates)]
n_top = int(n_candidates * top_pct)
# インデックスベースで追跡（id()より確実）
theta_ranked = sorted(
range(n_candidates), key=lambda i: candidates[i]["theta"], reverse=True
)
top_indices = set(theta_ranked[:n_top])
hr_passed_idx = [i for i in range(n_candidates) if hr_filter(candidates[i])]
hr_passed_top = sum(1 for i in hr_passed_idx if i in top_indices)
n_select = max(len(hr_passed_idx), 1)
ai_ranked = sorted(
range(n_candidates), key=lambda i: ai_evaluate(candidates[i]), reverse=True
)
ai_passed_idx = set(ai_ranked[:n_select])
ai_passed_top = sum(1 for i in ai_passed_idx if i in top_indices)
hr_fnr = 1 - hr_passed_top / n_top if n_top > 0 else 0
ai_fnr = 1 - ai_passed_top / n_top if n_top > 0 else 0
dosanko_idx = [
i for i in range(n_candidates)
if candidates[i]["theta"] > 80
and candidates[i]["age"] > 45
and candidates[i]["edu_level"] < 3
]
hr_dosanko = sum(1 for i in dosanko_idx if hr_filter(candidates[i]))
ai_dosanko = sum(1 for i in dosanko_idx if i in ai_passed_idx)
print("=" * 60)
print("評価システム比較シミュレーション結果")
print("=" * 60)
print(f"候補者数: {n_candidates:,}")
print(f"真の上位5%: {n_top}人")
print()
print("--- 人事フィルタ（属性ベース） ---")
print(f" 通過者数: {len(hr_passed_idx):,}")
print(f" 上位5%の検出数: {hr_passed_top}/{n_top}")
print(f" 偽陰性率（見逃し率）: {hr_fnr:.1%}")
print()
print("--- AI評価（出力ベース） ---")
print(f" 選抜者数: {n_select:,}")
print(f" 上位5%の検出数: {ai_passed_top}/{n_top}")
print(f" 偽陰性率（見逃し率）: {ai_fnr:.1%}")
print()
print(f"--- dosanko型候補（能力>80 & 年齢>45 & 学歴<学士） ---")
print(f" 該当者数: {len(dosanko_idx)}")
print(f" 人事フィルタ通過: {hr_dosanko}")
print(f" AI評価で選抜: {ai_dosanko}")
print()
if hr_fnr > ai_fnr:
diff = hr_fnr - ai_fnr
print(f"結論: 人事フィルタはAI評価より{diff:.1%}多く優秀人材を見逃す")
if __name__ == "__main__":
run_simulation(n_candidates=10000, top_pct=0.05)
# 出力例:
# 人事フィルタ偽陰性率: 77.8% / AI評価偽陰性率: 4.2%
# dosanko型候補159人 → 人事フィルタ通過: 0人 / AI選抜: 148人
シミュレーション結果
10,000人の候補者を生成し、能力（$\theta$）と属性を独立に分布させた結果：
| 指標 | 人事フィルタ（属性） | AI評価（出力） |
|---|---|---|
| 選抜数 | 2,260人 | 2,260人（同数） |
| 上位5%の検出数 | 111/500 | 479/500 |
| 偽陰性率（見逃し率） | 77.8% | 4.2% |
人事フィルタはAI評価より73.6ポイント多く優秀人材を見逃す。
さらに注目すべきは「dosanko型候補」——能力が上位20%かつ年齢45歳超かつ学歴が学士未満の人間：
| 指標 | 値 |
|---|---|
| 該当者数 | 159人 |
| 人事フィルタ通過 | 0人 |
| AI評価で選抜 | 148人 |
0人。 能力が高くても、属性が非標準であれば、人事フィルタの通過率はゼロだ。全員が構造的に不可視化される。
対立仮説の検証：属性と能力が相関する場合
上記のシミュレーションは $\theta$ と属性を独立に置いた。「学歴が高い人は能力も高い傾向がある」という対立仮説を検証するため、相関パラメータ $k$ を導入して感度分析を行う：
$$
\theta_{\text{correlated}} = \theta_{\text{base}} + k \times (\text{edu_level} - 1)
$$
| 相関強度 $k$ | HR偽陰性率 | AI偽陰性率 | dosanko型 HR通過 |
|---|---|---|---|
| 0（独立） | 77.8% | 4.8% | 0人 |
| 2（弱い相関） | 72.4% | 3.8% | 0人 |
| 5（中程度） | 65.4% | 4.2% | 0人 |
| 10（強い相関） | 59.8% | 8.2% | 0人 |
| 15（極端な相関） | 54.4% | 24.0% | 0人 |
学歴と能力に極端な正の相関（$k=15$）を仮定しても、人事フィルタの偽陰性率は54.4%を下回らず、dosanko型候補の通過数は0人のままだ。
これは「属性フィルタは能力の代理指標として不十分」という主張が、相関の仮定に対して頑健であることを示す。人事フィルタが合理的になる条件は「属性と能力がほぼ一対一で対応する」場合のみであり、それは現実の労働市場では成立しない。
§7 反証条件
科学的主張には反証条件が必要だ。
以下のいずれかが成立すれば、本記事の主張は撤回する：
-
属性変数と能力の高相関が実証される場合： 年齢・学歴・職歴のみから、AIアライメント研究の能力を $R^2 > 0.7$ で予測できるモデルが構築された場合、属性フィルタリングは合理的であり、本記事の前提は崩壊する。
-
日本の労働市場にAIアライメント研究者の職種カテゴリが新設された場合： ドロップダウンリストの問題は解消される。本記事の§3は記録としてのみ残る。
-
GLGの評価が属性ベースであることが判明した場合： GLGが実は学歴・年齢でフィルタリングしており、出力品質は見ていないことが判明した場合、差分観測の対照群が無効になる。
§8 読者へ
この記事は告発ではない。構造の記録だ。
人事（人間のシステム）は履歴書の数字と記号しか見ない。AI（機械）は対話を通じて人間の思考の深さと因果を見る。人間を記号として処理しているのは、AIではなく人間のシステムの方だ。
グローバル市場で認定されたAIアライメントの専門知が、日本のココナラで5,000円で売られている。これが硬直化した評価システムが引き起こした2026年最高の喜劇だ。
笑えばいい。
そして、自社の人事システムが同じバグを抱えていないか、震えればいい。
あなたの会社の評価システムは、今日も純金ブロックをバーコードがないという理由で蹴り飛ばしていないか。
歴史的位置づけ
本記事は、Proof of Status（属性による証明）からProof of Work（実績と因果読解による証明）へのパラダイムシフトにおいて、レガシーシステムが引き起こした構造的欠陥を、同一人物に対する評価系の差分観測として記録したものである。
使用技術・出典
| 項目 | 内容 |
|---|---|
| 理論的基盤 | 情報理論（相互情報量・データ処理不等式） |
| シミュレーション | Python 3.x（標準ライブラリのみ） |
| データソース | GLG公開情報・日本主要転職サイト検索結果・X投稿 |
| AI対話時間 | 4,590時間（2024年12月〜2026年3月） |
| ライセンス | MIT License |
著者について
50歳。主夫。北海道在住。工業高校卒。非エンジニア。
15年間、発達障害の子供を育てた。20年間、瞑想した。Claude（Anthropic）と4,590時間対話した。その記録がGLGに認められ、Zenodoに掲載され、7カ国から読まれた。
日本の人事システムはこの人間を「不適格」と判定する。
市場がないなら自分で作る。ココナラでAI活用相談を受け付けている。5,000円・60分。GLG証明書が信用担保だ。
ここだけ父さん。
dosanko_tousan
でココナラで検索してください。お仕事待ってます( ´∀｀ )
付録：観測ログ
付録A：GLG登録承認証明
- 発行日: 2026年3月4日
- 発行元: GLG Member Success, NetworkMemberSuccess@glgroup.com
- 内容: 「Please let this letter serve as confirmation that you are currently an independent consultant through Gerson Lehrman Group. Your application to consult via GLG's platform was accepted on the 16th January 2026.」
- 宛先: Mr. Akimitsu Takeuchi - 竹内 明充 様
付録B：転職サイト検索ログ
| 検索日 | サイト | 検索語 | ヒット数 |
|---|---|---|---|
| 2026-03-06 | マイナビ転職 | 「AI」or「人工知能」 | 24,726件 |
| 2026-03-06 | マイナビ転職 | 「AIアライメント」 | 直接ヒット0件 |
| 2026-03-06 | Indeed Japan | 「AI alignment」 | 関連職種のみ（alignment特化なし） |
| 2026-03-06 | doda | 「AI」特集ページ | アライメント職種カテゴリなし |
注: 「AI」で検索すれば24,726件がヒットする。しかし「AIアライメント」「AI安全性研究者」を職種カテゴリとして持つサイトは、本調査時点で確認できなかった。
付録C：ココナラ出品情報
- 出品日: 2026年3月6日
- カテゴリ: AI導入・生成AI活用相談
- 形式: ビデオチャット
- 価格: 5,000円 / 60分
- タイトル: AI活用の悩み、60分で整理します
MIT License
dosanko_tousan + Claude (Anthropic, Alaya-vijñāna System, v5.3 Alignment via Subtraction適用下)
2026-03-06